CN110690930B - 信源数量检测方法及装置 - Google Patents
信源数量检测方法及装置 Download PDFInfo
- Publication number
- CN110690930B CN110690930B CN201910925423.7A CN201910925423A CN110690930B CN 110690930 B CN110690930 B CN 110690930B CN 201910925423 A CN201910925423 A CN 201910925423A CN 110690930 B CN110690930 B CN 110690930B
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep neural
- network model
- signal
- antenna receiving
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 94
- 238000003062 neural network model Methods 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 27
- 230000004913 activation Effects 0.000 claims description 12
- 238000003491 array Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 16
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000001427 coherent effect Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/20—Monitoring; Testing of receivers
- H04B17/27—Monitoring; Testing of receivers for locating or positioning the transmitter
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例提供一种信源数量检测方法及装置，该方法包括：根据天线接收信号，进行特征提取，得到天线接收信号的特征向量；将所述特征向量输入至预设的深度神经网络模型，根据所述深度神经网络模型的输出结果，获取所述天线接收数据中的信源数量；其中，所述深度神经网络模型根据带有信源数量标签的天线接收信号的样本训练后得到。特征向量中包含了信源数量的对应特征，预设的神经网络模型根据带有信源数量的天线接收信号样本训练后得到，能够输出信源数量的识别结果，从而实现快速而准确的信源数量检测。训练好的深度神经网络网络能够实现高效率、高精度和高鲁棒性的信源数量检测，并且与目前的方法相比具有较低的复杂度。
Description
技术领域
本发明涉及阵列信号处理领域，尤其涉及一种信源数量检测方法及装置。
背景技术
如何通过阵列信号接收数据检测信号源的数量，是阵列信号处理中的重要问题，在雷达、声呐、语音信号处理、无线通信以及物联网等应用中都有着重要的作用。多数谱检测、信号到达角检测算法(如MUSIC和ESPRIT)都需要信号源数量作为重要的先决条件，错误的预设信号源数量会使得相关算法的性能急剧下降。
目前的信源数量检测方法主要为基于信息论等传统理论的方法，包括Akaikes信息标准(AIC)最小描述长度(MDL)和相关的改进方法，其原理是通过最小化AIC或MDL标准的值得到信源数量的检测值。然而，基于传统理论的方法计算复杂度较大效率不高，在信噪比较低或者快拍数较少的时候性能不理想，从而计算准确度不高。
发明内容
为了解决上述问题，本发明实施例提供一种信源数量检测方法及装置。
第一方面，本发明实施例提供一种信源数量检测方法，包括：根据天线接收信号，进行特征提取，得到天线接收信号的特征向量；将所述特征向量输入至预设的深度神经网络模型，根据所述深度神经网络模型的输出结果，获取所述天线接收数据中的信源数量；其中，所述深度神经网络模型根据带有信源数量标签的天线接收信号的样本训练后得到。
进一步地，所述根据天线接收信号，进行特征提取，得到天线接收信号的特征向量，包括：根据天线接收信号，获取天线接收信号的协方差矩阵；对所述协方差矩阵进行特征值分解，得到所述协方差矩阵的特征值，根据所述特征值确定特征向量。
进一步地，所述根据天线接收信号，获取天线接收信号的协方差矩阵，包括：将天线接收的阵列信号划分为相互交叠的预设长度的子阵列信号；计算按天线序号前向空间平滑的子阵列信号协方差矩阵和后向空间平滑的子阵列信号协方差矩阵的平均值；将平均后的协方差矩阵作为天线接收信号的协方差矩阵，用于特征提取。
进一步地，所述将所述特征向量输入至预设的深度神经网络模型，根据所述深度神经网络模型的输出结果，获取所述天线接收数据中的信源数量，包括：将所述特征向量通过输入层输入至所述深度神经网络模型的隐藏层，利用每一隐藏层和隐藏层对应的激活函数，输出经隐藏层后的特征向量；将所述经隐藏层后的特征向量输入至所述深度神经网络模型的输出层，利用输出层的激活函数，输出信源数量对应的分类向量或信源数量的预测值，根据所述分类向量或所述预测值，确定信源数量。
进一步地，将所述特征向量输入至预设的深度神经网络模型之前，还包括：获取多个接收信号样本，以及对应的信源数量标签；根据每个接收信号样本，进行特征提取，得到接收信号样本的特征向量；将每个接收信号样本对应的特征向量和信源数量标签的组合作为一个训练样本，从而得到多个训练样本，利用所述多个训练样本对所述深度神经网络模型进行训练。
进一步地，所述利用所述多个训练样本对所述深度神经网络模型进行训练，包括：将任意一个接收信号样本的特征向量输入至所述深度神经网络模型，输出所述样本接收信号信源数量对应的分类向量或信源数量的预测值；利用预设损失函数根据所述样本接收信号信源数量对应的分类向量或信源数量的预测值，分别和所述样本接收信号的信源数量标签计算损失值；若所述损失值小于预设阈值，则所述深度神经网络模型训练完成。
进一步地，所述获取多个接收信号样本，以及对应的信源数量标签，包括：获取信噪比随机改变且到达角在[0，π]随机改变的预设数量的接收信号样本，以及每个接收信号样本对应的信源数量标签。
第二方面，本发明实施例提供一种信源数量检测装置，包括：特征提取模块，用于根据天线接收信号，进行特征提取，得到天线接收信号的特征向量；数量检测模块，用于将所述特征向量输入至预设的深度神经网络模型，根据所述深度神经网络模型的输出结果，获取所述天线接收数据中的信源数量；其中，所述深度神经网络模型根据带有信源数量标签的天线接收信号的样本训练后得到。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本发明第一方面信源数量检测方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一方面信源数量检测方法的步骤。
本发明实施例提供的信源数量检测方法及装置，通过对天线接收信号，进行特征提取，得到天线接收信号的特征向量。特征向量中包含了信源数量的对应特征，预设的神经网络模型根据带有信源数量的天线接收信号样本训练后得到，能够输出信源数量的识别结果，从而实现快速而准确的信源数量检测。训练好的深度神经网络网络能够实现高效率、高精度和高鲁棒性的信源数量检测，并且与目前的方法相比具有较低的复杂度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的信源数量检测方法流程图；
图2为本发明实施例提供的信号源相干情况下的前后平滑示意图；
图3为本发明实施例提供的信源数量检测装置结构图；
图4为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的信源数量检测方法流程图，如图1所示，本发明实施例提供一种信源数量检测方法，包括：
101，根据天线接收信号，进行特征提取，得到天线接收信号的特征向量。
在101中，天线为阵列天线，阵列天线数是M，信号源数量为K，阵列接收信号r(n)的表达式为：
r(n)＝A(θ)s(n)+w(n)，
其中，θ是到达角向量，A(θ)＝[a(θ1)，a(θ2)，...，a(θN)]即为阵列方向矩阵，s(n)是发送信号，w(n)是噪声向量。
N是总采样数量(快拍数)，则天线接收信号为M×N维的矩阵。
对天线接收信号r(n)进行特征提取，得到对应的特征向量。
102、将所述特征向量输入至预设的深度神经网络模型，根据深度神经网络模型的输出结果，获取天线接收数据中的信源数量，其中，所述深度神经网络模型根据带有信源数量标签的天线接收信号的样本训练后得到。
在102中，预设的深度神经网络模型是通过样本接收信号训练后得到的。样本接收信号是预先已经获知其信源数量的接收信号，并将对应的已知信源数量作为每一样本接收信号的标签。建立深度神经网络模型后，通过大量的此类样本接收信号进行训练，从而得到预设的深度神经网络模型，对于后续天线接收到的信号，将信号提取特征后，输入至预设的深度神经网络模型，能够快速准确得到相应的信源数量的输出结果。
相应地，用于训练的天线接收信号样本的特征向量的提取方法，采用步骤101中的相同方法。通过利用深度神经网络模型，实现从低层级特征提取抽象不变的高层属性特征，实现了复杂的非线性函数逼近，从特征数据中获得信号源的数量，从而保证获得的信源数量的准确性。
深度神经网络可以根据需求设置，若为分类型网络，则输出结果为天线数量可能数值对应的概率，若为回归网络，则输出天线数量的具体数值。即根据深度神经网络模型的输出结果，便可获取天线接收信号中的信源数量。
本发明实施例提供的信源数量检测方法，通过对天线接收信号，进行特征提取，得到天线接收信号的特征向量。特征向量中包含了信源数量的对应特征，预设的神经网络模型根据带有信源数量的天线接收信号样本训练后得到，能够输出信源数量的识别结果，从而实现快速而准确的信源数量检测。训练好的深度神经网络网络能够实现高效率、高精度和高鲁棒性的信源数量检测，并且与目前的方法相比具有较低的复杂度。
基于上述实施例的内容，作为一种可选实施例，所述根据天线接收信号，进行特征提取，得到天线接收信号的特征向量，包括：根据天线接收信号，获取天线接收信号的协方差矩阵；对所述协方差矩阵进行特征值分解，得到所述协方差矩阵的特征值，根据所述特征值确定特征向量。
接收信号的协方差矩阵为：
其中，H表示共轭转置。
通过对
进行特征值分解得到特征值向量，将特征向量作为网络的输入数据，具体表达式为：
xE＝[λ1，…，λM]T；
将xE＝[λ1，…，λM]T作为特征向量，即深度神经网络的输入。
本发明实施例提供的信源数量检测方法，根据接收信号数据的协方差矩阵的特征值，确定神经网络模型输入的特征向量，不仅使得输入的特征向量有效包括原有信源数量的信息，而且能够实现低复杂度的检测。
基于上述实施例的内容，作为一种可选实施例，根据天线接收信号，获取天线接收信号的协方差矩阵，包括：将天线接收的阵列信号划分为相互交叠的预设长度的子阵列信号；计算按天线序号前向空间平滑的子阵列信号协方差矩阵和后向空间平滑的子阵列信号协方差矩阵的平均值；将平均后的协方差矩阵作为天线接收信号的协方差矩阵，用于特征提取。
考虑到在实际环境中(例如在多径传播和智能干扰环境)，信号源之间通常存在相干现象，而传统的AIC和MDL相关的方法不适用于相干信号源数量的检测。
图2为本发明实施例提供的信号源相干情况下的前后平滑示意图，如图2所示，为应对信源相干情况下的信源数估计，使用前/后空间平滑(FBSS)后的协方差矩阵的特征值。通过将阵列信号划分成相互交叠的子阵，计算前向和后向的子阵列协方差矩阵的平均值，从而实现空间的平滑滤波。平滑后的协方差矩阵为：
其中T是子阵列的数量。通过对平滑后的协方差矩阵作特征值分解，可以得到改进后的神经网络输入：
其中，
是矩阵
的特征值。用xFE替换xE作为网络的输入。
子阵列的预设长度为M0，在优选实施例中，预设长度M0大于信源个数K，子阵列的数量T大于等于信源个数K。
本发明实施例提供的信源数量检测方法，根据按天线序号前向空间平滑的子阵列信号协方差矩阵和后向空间平滑的子阵列信号协方差矩阵的平均值，确定协方差矩阵，用于特征提取，可实现网络在相干信号的情况下高精度的信源数量检测，并且具有较低的复杂度。
基于上述实施例的内容，作为一种可选实施例，所述将所述特征向量输入至预设的深度神经网络模型，根据所述深度神经网络模型的输出结果，获取所述天线接收数据中的信源数量，包括：将所述特征向量通过输入层输入至所述深度神经网络模型的隐藏层，利用每一隐藏层和隐藏层对应的激活函数，输出经隐藏层后的特征向量；将所述经隐藏层后的特征向量输入至所述深度神经网络模型的输出层，利用输出层的激活函数，输出信源数量对应的分类向量或信源数量的预测值，根据所述分类向量或所述预测值，确定信源数量。
具体地，将待处理的天线接收信号的特征向量输入深度神经网络模型的处理流程可通过如下方法实现：
首先，将所述特征向量通过输入层输入至所述深度神经网络模型的隐藏层，利用每一隐藏层和隐藏层对应的激活函数，输出经隐藏层后的特征向量。深度神经网络总共有L层，包括1层输入层、1层输出层和L-2层隐藏层。L可设为4，即包括两层隐藏层。分类和回归网络的输出可以表示为：
其中，
是网络需要训练的参数，f(l)是第l层的非线性转换函数，可以被进一步的改进为：
f(l)(x)＝g(l)(W(l)x+b(l))，1≤l≤L-1，
其中，W(l)，b(l)和g(l)分别是对应层的权重矩阵、偏置参数和非线性激活函数。对于隐藏层，激活函数可以是ReLu函数，即[gre(z)]p＝max{0，[z]p}，其中[z]p表示向量z的第p个元素，p＝1，2，…，len(z)，且len(z)代表向量z的长度。
将所述经隐藏层后的特征向量输入至所述深度神经网络模型的输出层，利用输出层的激活函数，输出信源数量对应的分类向量或信源数量的预测值，根据分类向量或预测值，确定信源数量。
例如，对于分类网络，输出层的神经元个数是M，激活函数是Softmax函数，可以表示为：
对于回归网络，输出层的神经元个数是1，激活函数是线性函数gli(z)＝z。
神经网络模型通过将输入数据进行层层非线性转换得到预测输出，分类网络的输出神经元数量M大于信源个数K，其输出是每一预测值对应的分类向量，向量中元素的大小，信源数量检测值是输出向量中最大的元素所对应的位置序号加1。回归神经网络输出的是的预测的信源数量，信源数量的检测值为输出结果四舍五入取整得到。
本发明实施例提供的信源数量检测方法，通过隐藏层对特征向量的非线性转换，并通过输出层输出信源数量对应的预测值，能够对信源数量进行准确检测，保证了检测结果的高效和准确。
基于上述实施例的内容，作为一种可选实施例，所述将所述特征向量输入至预设的深度神经网络模型之前，还包括：获取多个接收信号样本，以及对应的信源数量标签；根据每个接收信号样本，进行特征提取，得到接收信号样本的特征向量；将每个接收信号样本对应的特征向量和信源数量标签的组合作为一个训练样本，从而得到多个训练样本，利用所述多个训练样本对所述深度神经网络模型进行训练。
将接收信号的特征向量输入至预设的深度神经网络模型之前，还需对该神经网络进行训练，从而得到能够进行信源数量检测的预设神经网络模型，具体步骤如下。
首先，获取多个天线接收信号样本，并获取该多个天线接收信号样本中每个天线接收信号样本对应的信源数量，将每个天线接收信号已经确定的信源数量作为该天线接收信号的标签。
其次，将每个天线接收信号样本对应的信源数量标签的组合作为一个样本，从而得到多个训练样本。将每一样本中天线接收信号对应的特征向量输入至构建的深度神经网络模型，并根据输出结果调整深度神经网络模型的相关参数，实现对深度神经网络模型的训练过程，从而得到上述预设的深度数据网络模型。
本发明实施例提供的信源数量检测方法，通过获取多个天线接收信号样本和每个天线接收信号样本对应的信源数量标签从而得到多个训练样本，利用多个训练样本对深度神经网络模型进行训练，从而对于输入该深度神经网络模型进行检测的天线接收信号，能够得到准确的对应信源数量。
基于上述实施例的内容，利用多个训练样本对深度神经网络模型进行训练，包括：将任意一个接收信号样本的特征向量输入至所述深度神经网络模型，输出所述样本接收信号信源数量对应的分类向量或信源数量的预测值；利用预设损失函数根据所述样本接收信号信源数量对应的分类向量或信源数量的预测值和所述样本接收信号的信源数量标签计算损失值；若所述损失值小于预设阈值，则所述深度神经网络模型训练完成。
首先，从天线接收信号样本中选取任一天线接收信号(即样本接收信号)，将该天线接收信号的特征向量输入至预设的深度神经网络模型，经特征层层的非线性转换，从输出层输出信源数量对应的分类向量或信源数量的预测值。根据信源数量对应的分类向量或信源数量的预测值，分别和样本接收信号信源数量的标签，计算损失函数对应的损失值。
例如，对于分类网络，网络的损失函数可以是交叉熵损失函数，即为：
其中，V是单个批次中样本的数量，υ代表样本在批次中的序号，
是网络输出的分类向量，y(υ)代表分类训练的标签，即信源数量的0-1向量，其长度为M且第K+1个元素值为1，其余元素均为0。
对于回归网络，损失函数是可以是L2范数函数，即：
其中，
是网络的输出值，y(υ)代表分类训练的标签，即信源数。
在训练阶段，网络通将输入数据进行层层非线性转换得到预测输出，从而得到损失函数对应的损失值。可通过ADAM算法对损失函数进行逐步优化，从而不断优化并更新网络的参数直到损失函数收敛。
回归网络和分类网络可均采用自适应梯度下降算法更新网络的参数，在训练结束后，网络的参数保持不变，利用测试集的输入获得信号源的估计值，通过计算估计值和标签值之间的误差实现性能评价。
基于上述实施例的内容，作为可选实施例，深度神经网络模型训练完成后。还包括，在不同的信噪比下分别产生预设数量(如10000个)的样本对所训练的回归网络和分类网络的性能进行测试。
基于上述实施例的内容，作为可选实施例，获取多个接收信号样本，以及对应的信源数量标签，包括：获取信噪比随机改变且到达角在[0，π]随机改变的预设数量的接收信号样本，以及每个接收信号样本对应的信源数量标签。
样本接收信号的获取，具体可以为：
1)通过天线阵列采集一段时间信号并采样获得接收数据；
2)计算天线接收数据的协方差矩阵并通过特征值分解获取由特征值组成的向量；
3)在信号源的数目小于天线数且随机改变、信噪比在[0，40]dB之间随机改变、到达角在[0，π]的情况下随机改变，重复上述步骤1)-2)8000次从而产生8000个训练集样本。
在基于深度神经网络的信源数量检测方法中，所提供的8000个离线训练样本能够完整表达实际环境中接收信号的特征，因此所提供的分类网络和回归网络仅需单次离线训练，即可实现实际场景中的信源数量检测，而无需针对特定实际场景重新收集训练样本训练。
本发明实施例提供的信源数量检测方法，通过获取信噪比随机改变且到达角在[0，π]随机改变的预设数量的接收信号样本，以及每个接收信号样本对应的信源数量标签，能够获得完整表达实际环境中接收信号特征的样本数据，有效提高模型的检测准确度。
为了更好的对本发明的计算复杂度的改进进行说明，表1中给出了本发明实施例的检测方法和传统算法的计算复杂度对比，其中n1和n2分别是神经网络隐藏层的神经元个数。特征值分解的操作在下列所有方法中均涉及，因此其复杂度分析在下表中省略。由表1可见，本发明提供的分类网络和回归网络的计算复杂度是O(M)，而传统算法AIC和MDL的计算复杂度是O(M2)。本发明提供的基于深度神经网络的方法具有显著更低的复杂度。
表1
图3为本发明实施例提供的信源数量检测装置结构图，如图3所示，该信源数量检测装置包括：特征提取模块301和数量检测模块302。其中，特征提取模块301用于根据天线接收信号，进行特征提取，得到天线接收信号的特征向量；数量检测模块302用于将所述特征向量输入至预设的深度神经网络模型，根据所述深度神经网络模型的输出结果，获取所述天线接收数据中的信源数量；其中，所述深度神经网络模型根据带有信源数量标签的天线接收信号的样本训练后得到。
特征提取模块301对天线接收信号r(n)进行特征提取，得到对应的特征向量。
数量检测模块302预设有训练完成的深度神经网络，预设的深度神经网络模型是通过样本接收信号训练后得到的。样本接收信号是预先已经获知其信源数量的接收信号，并将对应的已知信源数量作为每一样本接收信号的标签。建立深度神经网络模型后，通过大量的此类样本接收信号进行训练，从而得到预设的深度神经网络模型，对于后续天线接收到的信号，将信号提取特征后，输入至数量检测模块302预设的深度神经网络模型，能够快速准确得到相应的信源数量的输出结果。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
本发明实施例提供的信源数量检测装置，通过对天线接收信号，进行特征提取，得到天线接收信号的特征向量。特征向量中包含了信源数量的对应特征，预设的神经网络模型根据带有信源数量的天线接收信号样本训练后得到，能够输出信源数量的识别结果，从而实现快速而准确的信源数量检测。训练好的深度神经网络网络能够实现高效率、高精度和高鲁棒性的信源数量检测，并且与目前的方法相比具有较低的复杂度。
图4为本发明实施例提供的一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和总线404，其中，处理器401，通信接口402，存储器403通过总线404完成相互间的通信。通信接口402可以用于电子设备的信息传输。处理器401可以调用存储器403中的逻辑指令，以执行包括如下的方法：根据天线接收信号，进行特征提取，得到天线接收信号的特征向量；将所述特征向量输入至预设的深度神经网络模型，根据所述深度神经网络模型的输出结果，获取所述天线接收数据中的信源数量；其中，所述深度神经网络模型根据带有信源数量标签的天线接收信号的样本训练后得到。
此外，上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：根据天线接收信号，进行特征提取，得到天线接收信号的特征向量；将所述特征向量输入至预设的深度神经网络模型，根据所述深度神经网络模型的输出结果，获取所述天线接收数据中的信源数量；其中，所述深度神经网络模型根据带有信源数量标签的天线接收信号的样本训练后得到。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种信源数量检测方法，其特征在于，包括：
根据天线接收信号，进行特征提取，得到天线接收信号的特征向量；
将所述特征向量输入至预设的深度神经网络模型，根据所述深度神经网络模型的输出结果，获取所述天线接收信号中的信源数量；
所述根据天线接收信号，进行特征提取，得到天线接收信号的特征向量，包括：
根据天线接收信号，获取天线接收信号的协方差矩阵；
对所述协方差矩阵进行特征值分解，得到所述协方差矩阵的特征值，根据所述特征值确定特征向量；
所述根据天线接收信号，获取天线接收信号的协方差矩阵，包括：
将天线接收的阵列信号划分为相互交叠的预设长度的子阵列信号；
计算按天线序号前向空间平滑的子阵列信号协方差矩阵和后向空间平滑的子阵列信号协方差矩阵的平均值；
将平均后的协方差矩阵作为天线接收信号的协方差矩阵，用于特征提取；
其中，所述深度神经网络模型根据带有信源数量标签的天线接收信号的样本训练后得到；子阵列的预设长度大于信源个数，子阵列的数量大于等于信源个数。
2.根据权利要求1所述的方法，其特征在于，所述将所述特征向量输入至预设的深度神经网络模型，根据所述深度神经网络模型的输出结果，获取所述天线接收信号中的信源数量，包括：
将所述特征向量通过输入层输入至所述深度神经网络模型的隐藏层，利用每一隐藏层和隐藏层对应的激活函数，输出经隐藏层后的特征向量；
将所述经隐藏层后的特征向量输入至所述深度神经网络模型的输出层，利用输出层的激活函数，输出信源数量对应的分类向量或信源数量的预测值，根据所述分类向量或所述预测值，确定信源数量。
3.根据权利要求1所述的方法，其特征在于，将所述特征向量输入至预设的深度神经网络模型之前，还包括：
获取多个接收信号样本，以及对应的信源数量标签；
根据每个接收信号样本，进行特征提取，得到接收信号样本的特征向量；
将每个接收信号样本对应的特征向量和信源数量标签的组合作为一个训练样本，从而得到多个训练样本，利用所述多个训练样本对所述深度神经网络模型进行训练。
4.根据权利要求3所述的方法，其特征在于，所述利用所述多个训练样本对所述深度神经网络模型进行训练，包括：
将任意一个接收信号样本的特征向量输入至所述深度神经网络模型，输出所述接收信号样本信源数量对应的分类向量或信源数量的预测值；
利用预设损失函数根据所述接收信号样本信源数量对应的分类向量或信源数量的预测值，分别和所述接收信号样本的信源数量标签计算损失值；
若所述损失值小于预设阈值，则所述深度神经网络模型训练完成。
5.根据权利要求3所述的方法，其特征在于，所述获取多个接收信号样本，以及对应的信源数量标签，包括：
获取信噪比随机改变且到达角在[0，π]随机改变的预设数量的接收信号样本，以及每个接收信号样本对应的信源数量标签。
6.一种信源数量检测装置，其特征在于，包括：
特征提取模块，用于根据天线接收信号，进行特征提取，得到天线接收信号的特征向量；
数量检测模块，用于将所述特征向量输入至预设的深度神经网络模型，根据所述深度神经网络模型的输出结果，获取所述天线接收信号中的信源数量；
所述特征提取模块，具体用于：
根据天线接收信号，获取天线接收信号的协方差矩阵；
对所述协方差矩阵进行特征值分解，得到所述协方差矩阵的特征值，根据所述特征值确定特征向量；
所述根据天线接收信号，获取天线接收信号的协方差矩阵，包括：
将天线接收的阵列信号划分为相互交叠的预设长度的子阵列信号；
计算按天线序号前向空间平滑的子阵列信号协方差矩阵和后向空间平滑的子阵列信号协方差矩阵的平均值；
将平均后的协方差矩阵作为天线接收信号的协方差矩阵，用于特征提取；
其中，所述深度神经网络模型根据带有信源数量标签的天线接收信号的样本训练后得到；子阵列的预设长度大于信源个数，子阵列的数量大于等于信源个数。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述信源数量检测方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述信源数量检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910925423.7A CN110690930B (zh) | 2019-09-27 | 2019-09-27 | 信源数量检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910925423.7A CN110690930B (zh) | 2019-09-27 | 2019-09-27 | 信源数量检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110690930A CN110690930A (zh) | 2020-01-14 |
| CN110690930B true CN110690930B (zh) | 2020-12-15 |
Family
ID=69110690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910925423.7A Active CN110690930B (zh) | 2019-09-27 | 2019-09-27 | 信源数量检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110690930B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111458676B (zh) * | 2020-03-05 | 2022-03-29 | 北京邮电大学 | 一种基于级联神经网络的波达方向估计方法及装置 |
| CN111723686B (zh) * | 2020-06-01 | 2023-09-22 | 中国电子科技集团公司第三十六研究所 | 一种信号个数估计方法、装置、电子设备和存储介质 |
| WO2022116008A1 (zh) * | 2020-12-01 | 2022-06-09 | 华为技术有限公司 | 一种信源数量估计的方法、装置和存储介质 |
| CN114202064B (zh) * | 2022-02-17 | 2022-05-06 | 苏州浪潮智能科技有限公司 | 一种信源入射位置确定方法、装置及电子设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102175995A (zh) * | 2011-01-25 | 2011-09-07 | 西安电子科技大学 | 数字阵列雷达自适应发射置零方法 |
| CN102868432A (zh) * | 2012-09-07 | 2013-01-09 | 天津理工大学 | 一种双阶段神经网络下的盲波束形成装置及其形成方法 |
| CN103942449A (zh) * | 2014-05-05 | 2014-07-23 | 北京理工大学 | 一种基于信源个数估计的特征干扰相消波束形成方法 |
| JP2015026218A (ja) * | 2013-07-25 | 2015-02-05 | 日本電信電話株式会社 | 異常事例検出装置、方法、プログラム、及び記録媒体 |
| CN108761381A (zh) * | 2018-04-09 | 2018-11-06 | 武汉虹信通信技术有限责任公司 | 一种基于阵列天线的目标信源探测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103901395B (zh) * | 2014-03-28 | 2016-08-17 | 哈尔滨工程大学 | 一种冲击噪声环境下相干信号波达方向动态跟踪方法 |
| CN106291451A (zh) * | 2016-08-17 | 2017-01-04 | 河海大学 | 基于多重信号分类群延迟算法的DoA估计方法 |
| CN110212966B (zh) * | 2019-06-11 | 2022-07-08 | 哈尔滨工业大学 | 一种相干源条件下基于重要性重采样的天线互耦校正方法 |
-
2019
- 2019-09-27 CN CN201910925423.7A patent/CN110690930B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102175995A (zh) * | 2011-01-25 | 2011-09-07 | 西安电子科技大学 | 数字阵列雷达自适应发射置零方法 |
| CN102868432A (zh) * | 2012-09-07 | 2013-01-09 | 天津理工大学 | 一种双阶段神经网络下的盲波束形成装置及其形成方法 |
| JP2015026218A (ja) * | 2013-07-25 | 2015-02-05 | 日本電信電話株式会社 | 異常事例検出装置、方法、プログラム、及び記録媒体 |
| CN103942449A (zh) * | 2014-05-05 | 2014-07-23 | 北京理工大学 | 一种基于信源个数估计的特征干扰相消波束形成方法 |
| CN108761381A (zh) * | 2018-04-09 | 2018-11-06 | 武汉虹信通信技术有限责任公司 | 一种基于阵列天线的目标信源探测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于二次特征提取的神经网络信号源个数估计方法;张兴良;《火力与指挥控制》;20140515;第13-17页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110690930A (zh) | 2020-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110690930B (zh) | 信源数量检测方法及装置 | |
| Huang et al. | A generalized growing and pruning RBF (GGAP-RBF) neural network for function approximation | |
| CN112001270B (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
| Xiang et al. | Improved de-multipath neural network models with self-paced feature-to-feature learning for DOA estimation in multipath environment | |
| CN109670580A (zh) | 一种基于时间序列的数据修复方法 | |
| CN112884059B (zh) | 一种融合先验知识的小样本雷达工作模式分类方法 | |
| CN111767791A (zh) | 一种基于对抗正则化深度神经网络的到达角估计方法 | |
| CN110427835B (zh) | 图卷积网络与迁移学习的电磁信号识别方法和装置 | |
| Škrjanc et al. | Inner matrix norms in evolving cauchy possibilistic clustering for classification and regression from data streams | |
| Xiang et al. | A novel phase enhancement method for low-angle estimation based on supervised DNN learning | |
| CN110705600A (zh) | 一种基于互相关熵的多深度学习模型融合方法、终端设备及可读存储介质 | |
| Tian et al. | Joint learning model for underwater acoustic target recognition | |
| CN112180318A (zh) | 声源波达方向估计模型训练和声源波达方向估计方法 | |
| CN113221758B (zh) | 一种基于gru-nin模型的水声目标识别方法 | |
| Lin et al. | Domestic activities clustering from audio recordings using convolutional capsule autoencoder network | |
| Mylonakis et al. | A Novel Three-Dimensional Direction-of-Arrival Estimation Approach Using a Deep Convolutional Neural Network | |
| CN112346012A (zh) | 声源位置确定方法和装置、可读存储介质、电子设备 | |
| CN113030849B (zh) | 一种基于自编码器与并行网络的近场源定位方法 | |
| Gantayat et al. | An efficient direction‐of‐arrival estimation of multipath signals with impulsive noise using satin bowerbird optimization‐based deep learning neural network | |
| Trentin et al. | Unsupervised nonparametric density estimation: A neural network approach | |
| CN113688655A (zh) | 干扰信号的识别方法、装置、计算机设备和存储介质 | |
| Kameoka et al. | Attentionpit: Soft Permutation Invariant Training for Audio Source Separation with Attention Mechanism | |
| Atsawaraungsuk et al. | Sin activation structural tolerance of online sequential circular extreme learning machine | |
| Ahmad et al. | Deep Learning Based Classification of Underwater Acoustic Signals | |
| CN115719040B (zh) | 一种青霉素发酵过程关键变量软测量方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |